基于泊松形状信号的网格模型部件分割算法

为了将网格模型分割成若干个有意义的部件,提出了一种基于网格模型结构信号的分割算法.通过构造网格模型对应的体素模型,基于体素模型求解泊松方程得出每个体素对应的泊松形状信号;根据网格模型顶点与体素模型的对应关系,计算出网格模型中每个三角面片对应的泊松形状信号;采用Mean-Shift算法将每个三角面片对应的泊松形状信号进行聚类;最后基于泊松形状信号值,提取网格模型主要部件,并精化分块结果边界,从而达到网格模型部件分割的目的.实验表明,该算法能对具有部件结构特征的实体模型有较好的分割效果、鲁棒、速度快,与物体各个部件刚体变换无关.     

连续相位调制的定时-频偏联合估计方法

针对连续相位调制信号的同步问题,研究了一种定时-频偏联合估计算法.算法分3步实现：(1）对接收基带信号差分并平方,得到四阶非线性变换值;（2）求其二阶统计量;（3）基于该统计量联合估计定时偏差和载波频偏.通过改变载波频偏值及参与二阶统计量计算的符号数,对定时同步及频偏估计性能进行研究.在加性高斯白噪声信道及Rice慢衰落信道下分别进行仿真.加性高斯白噪声信道仿真表明,算法在载波频偏达到15%符号率条件下仍有出色同步性能,当参与估计的符号数等于64时,定时偏差和频偏均方误差分别达到10－6及10－5以下;低信噪比不影响算法定时恢复性能.Rice慢衰落信道仿真表明,算法具有一定的抗衰落能力,适当改变Rice信道模型参数能提升其性能.算法采用非数据辅助方式及前馈结构,同步捕获快速,实现简单,适合于突发通信.     

一种新的基于多信息测度融合的边缘检测方法

针对高强度噪声图像, 提出了一种新的基于信息测度概念和Dempster Shafer(DS)证据理论的边缘检测算法. 利用邻域一致性、方向性和结构性3种信息测度定量描述边缘特征; 引入检测不确定性, 根据各信息测度响应分布设计基本可信度分配函数, 并利用DS合成规则加以融合; 融合后根据组合决策规则将像素分类成边缘与非边缘. 实验通过检测结果以及Pratt品质因数的分析比较, 表明该算法能够有效地区分边缘点和噪声点. 在低噪声情况下, 检测性能与传统检测方法相近; 而对于高强度噪声图像, 该方法具有较强的噪声免疫力.     

基于随机行走的电源pads分配算法.

为了减少芯片上电源网格阻性（IR）压降,提出了一种基于随机行走的电源pads分配算法.该算法由通过随机行走法推导出的节点电源需求评价函数确定部分pads位置,剔除部分候选节点以减小搜索空间,并以候选节点和观察节点为端口建立电源网格宏模型,从而将电路规模降为候选节点和观察节点之和,以逐个pad分配的方法确定剩余pads的位置,以随机行走法结合“滑动窗口”快速计算简化电路中观察节点的最坏压降.对不同电源网格的仿真结果表明, 该算法无论在准确性还是效率方面均具有很大的优越性, 并且能在二者之间做很好的折衷.     

有机磷农药乙酰甲胺磷的太赫兹光谱研究

为了获得有机磷农药乙酰甲胺磷在远红外波段的光学特性, 采用太赫兹时域光谱技术(THz TDS), 测量了室温下乙酰甲胺磷在0.2~2.2 THz的高分辨率吸收谱和折射率谱. 结果表明,在室温和氮气环境下,特征吸收峰位于1.58和2.10 THz处, 平均折射率为1.45. 同时运用密度泛函理论(DFT)计算了乙酰甲胺磷分子结构及其在太赫兹波段的振动频率, 并根据计算结果对实验数据进行了解析, 计算结果与实验数据吻合较好. 研究结果表明, 实验光谱的特征吸收峰是由分子的集体振动及扭转形成, 不同的吸收峰位对应分子不同的振转模式.     

一种面向部分可重构结构的配置空间搜索方法

研究了配置序列对部分可重构系统性能的影响,提出了在部分可重构系统配置空间中搜索最优配置序列的算法.在应用算法分割成多个任务的前提下,通过建立部分可重构系统任务执行模型,给出了任务在系统上执行代价的目标函数.根据部分可重构系统中,任务执行和配置可重叠的特性,给出了配置切换代价计算方法.在此基础上,设计了基于动态规划的配置空间搜索算法,算法可在O(nm2)（n为任务数,m为每个任务最大可选配置数）时间内搜索出执行代价最小的配置序列.结果表明,合理选择配置序列可有效提高算法在部分可重构系统上执行的效率.     

三维CAD特征模型的多分辨率造型

为满足工业界对特征表示的三维CAD模型的特殊需求,提出了一种新型三维CAD模型的多分辨率造型方法,解决了传统多分辨率造型方法的许多不足：简单基于模型几何操作、不含工程设计信息和无法根据设计意图简化等.通过分析特征间的相互依赖关系,设计了一种“去依赖特征抑制”（de-dependence feature suppressing, DDFS）操作,以实现模型的任意层次简化.实践表明,该多分辨率造型方法不但可以大大降低模型复杂度,而且其简化模型更加符合工程设计人员的意图.     

基于位置和程度指标的结构损伤识别研究

为提高结构损伤识别的精度,提出基于动、静态数据融合的位置指标和完全基于频率的位置指标,并采用学习速率自适应调整的新型BP神经网络学习算法,其特点是在网络迭代过程中根据网络学习误差来调整学习速率的取值,该方法有效地克服了传统BP网络学习过程中容易陷入局部极小和收敛速度慢、学习效率不高的缺点,进一步讨论了参数输入方式对网络识别效果的影响,分别采用两步诊断法和一步诊断法进行损伤识别.结果显示,两步诊断法对损伤位置和程度的识别正确率较高,而一步诊断法识别效果却不令人十分满意;减少位置指标和程度指标的输入个数对损伤识别结果有显著的影响.     

机械产品曳引系统的优化设计方法

针对机械产品曳引系统的性能优化,应用非支配排序遗传算法（NSGA II）求解曳引性能的三目标优化问题,即最大曳引效率、最小曳引功率和最小制动力矩.根据曳引性能优化模型中设计变量分为连续值和离散值的特点,引入浮点数与二进制数混合编码策略.通过改进NSGA II的二进制交叉、变异规则,保证了设计变量的全局寻优能力和有效性,使得算法一次运行就能够求得分布均匀的Pareto最优解集.实验数据分析表明,采用混合编码策略,NSGA II算法较线性加权法和Pareto强度进化算法（SPEA）能够获得边界性和分布性更好的Pareto最优前沿.     

Hough变换在眼睛特征提取中的应用

为了准确地提取虹膜和眼睑轮廓等眼睛特征,提出了一种基于改进Hough变换的算法．该算法采用满足梯度要求的点对及其梯度信息确定输入图像中存在的圆,对于梯度反方向延长线相交且与交点距离相等的两点,定义它们属于同一个圆．在提取眼睑轮廓时,将候选点分为梯度方向向上和向下两部分并构造新的累加器分别确定上下眼睑所对应的圆,避免了上下眼睑的相互干扰．实验结果表明,算法在眼睛非闭合状态和正常光照下能准确地提取眼睛特征．与大多数Hough变换利用3个特征点来确定圆相比,算法通过引入梯度信息的方法,计算复杂度从O(N3)降低为O(N2)．     

基于高斯过程的三维模型语义分类和检索

针对三维模型检索系统提高准确率、减少几何特征和人类语义丰富性之间的“语义鸿沟”等问题, 提出一种基于高斯过程的语义分类和检索新方法.该方法采用一种统计2个采样点相对质心向量夹角的AC2直方图新特征,与形状分布的D2特征组合成低层特征,使用高斯过程进行三维模型语义分类的监督学习,计算测试模型的语义类概率预测分布,建立低层特征和查询概念之间的联系;使用语义距离和不相似度计算方法进行检索排序.实验结果表明：与已有的某些监督学习的方法相比,多类的测试模型进行语义分类的准确率明显得到提升,检索中能体现语义概念,检索性能也得到提高.     

基于改进MobileNet v2的垃圾图像分类算法

针对现有的垃圾图像分类模型实时性能差和分类精度低的问题,提出基于改进MobileNet v2的垃圾图像分类方法,构建以MobileNet v2为核心的轻量级特征提取网络. 通过调整宽度因子降低模型的参数量;在模型中嵌入通道和空间注意力模块,增强网络对特征的细化能力;设计多尺度特征融合结构,增强网络对尺度的适应性;利用迁移学习的方式优化模型参数,进一步提高模型精度. 实验结果表明,算法在自建数据集上的平均准确率为94.6%,分别高于MobileNet v2、VGG16、GoogleNet、ResNet50、ResNet101模型2.0%、3.4%、3.2%、2.3%、1.2%;所提算法在2种公共图像分类数据集CIFAR-100和tiny-ImageNet中均取得不错表现;模型参数量仅为0.83 M,体积约为基础模型的2/5,在边缘设备JETSON TX2上的单次推理耗时68 ms,实现了推理速度和预测准确率的提升.     

Android运行时恶意行为检测模型研究

为实现Android应用程序恶意行为的有效分析,提出了基于HMMs-SVM的程序行为分类模型,将隐马尔可夫模型（HMM）和支持向量机（SVM）相结合,以动态行为序列作为关键特征,对移动应用软件运行中的网络收发、文件访问等行为建模. 该模型融合了HMM和SVM的优势,并克服了二者的不足,适合于在获取连续动态行为特征序列后进行行为分类. 实验结果表明,该方法分析召回率较高,可以有效对应用中的异常行为进行捕捉,并可以将其按类型分类.     

利用隐马尔科夫模型识别蛋白质折叠类型

以70种蛋白质折叠为研究对象,对每种折叠,选择序列同一性小于25%、样本量大于3的代表性蛋白质为训练集,采用机器和人工结合的办法进行结构比对,产生序列排比,经过训练得到了适合每种折叠的概形隐马尔科夫模型(profile HMM)用于该折叠类型的识别.对Astral1.65中的9 505个蛋白质结构域样本进行单模型识别,平均敏感性和特异性分别为91.93%和99.95%,Matthew相关系数为0.87.在折叠类型水平上,与Pfam和SUPERFAMILY单纯使用序列比对构建的HMM相比,所用模型数量显著减少,仍然保持很高的识别效果.结果表明:对序列相似度很低但具有相同折叠类型的蛋白质,可以通过引入结构比对的方法建立统一的HMM模型,实现高准确率的折叠类型识别.     

Wavelet hierarchical model for aurora images classification

In order to improve the accuracy of aurora images classification, an algorithm based on the wavelet hierarchical model is proposed. In the proposed algorithm, the global and local wavelet features are extracted hierarchically first, then reduced in dimensions through the principal component analysis and used to classify the arc and three corona aurora images by the use of the support vector machine. By comparing the classification accuracy and time consumption, the optimal parameters in the wavelet hierarchical model are experimentally obtained and the validity of principal component analysis in feature optimization is verified. Experimental results show that the proposed algorithm improves the classification accuracy to a great degree with an acceptable time consumption compared with classical algorithms. Classification results between each two types of aurora images also provide some potential ways to improve the accuracy.     

关于Real AdaBoost算法的分析与改进

采用一种新的技术,对Real AdaBoost算法的有效性、误差估计、算法流程和弱分类器训练进行了分析和证明。证明了可用加权组合弱分类器对Real AdaBoost算法进行改进,并得到了近似最佳组合系数;指出Real AdaBoost算法的样本权值调整和弱分类器训练方法的真实目的是确保弱分类器的独立性;基于Bayes统计推断对Real AdaBoost算法进行了多分类推广,得到了算法公式和误差估计,给出了便于使用的弱分类器训练简化方法。得到了Gentle AdaBoost算法的误差估计公式。UCI数据实验验证了所提算法和改进算法的效果。     

基于合群度-隶属度噪声检测及动态特征选择的改进AdaBoost算法

为了提高AdaBoost集成学习算法的数据分类性能,提出基于合群度-隶属度噪声检测及动态特征选择的改进AdaBoost算法. 综合考虑待检测样本与邻居样本的相似度及与不同类别样本集的隶属关系,引入合群度和隶属度的概念,提出新的噪声检测方法. 在此基础上,为了更好地选择那些能够有效区分错分样本的特征,在传统过滤器特征选择方法的基础上提出通用的结合样本权重的动态特征选择方法,以提高AdaBoost算法针对错分样本的分类能力. 以支持向量机作为弱分类器,在8个典型数据集上分别从噪声检测、特征选择及现有方法比较3个方面进行实验. 结果表明,所提算法充分考虑了噪声样本和样本权重对AdaBoost分类结果的影响,相对于传统算法在分类性能上获得显著提升.     

基于特征剪裁的AdaBoost算法及在人脸检测中的应用

针对AdaBoost算法存在训练消耗大并且误检率较高的问题,提出一种基于AdaBoost的高效检测方法.它主要包含一种基于特征剪裁的AdaBoost算法（FPAdaBoost）和一种新的检测扫描方法--确认和跳过检测机制（CSDS）.FPAdaBoost算法在每一轮训练中会根据分类误差剪裁掉一部分特征,提高算法的训练速度;而CSDS检测方法在传统的检测方法基础上引入验证和确认机制,在保证检测率的条件下有效控制误检的发生.在MIT CBCL训练集和MIT+CMU检测集上对提出的方法进行验证,结果表明,FPAdaBoost算法相比原始AdaBoost算法在性能上没有明显退化,但却大大改善了训练速度,同时CSDS检测机制的引入极大地降低误检率,提高检测结果的可靠性.     

轴承故障诊断中特征选取技术

针对轴承故障诊断建模中如何通过筛选有效特征提高模型诊断准确率的问题,提出一种新的特征选取方法。在计算所得特征集合中,利用诊断模型直接对特征进行判断,将高于阈值的诊断准确率对应的特征(组合)选取为显著特征,以显著特征导向选取方式,找到候选特征集合中维度低、诊断准确率高的特征。试验结果表明,本研究提出的方法可筛选出有效特征,降低模型参数、减少样本需求量、提高模型准确率,提升了故障诊断的效率。     

多源非平衡交通检测数据的异常识别方法

为保证交通检测数据的准确性并服务于实时的交通状态判别和预测,交通大数据采用多种检测源数据协同处理并利用机器学习的方法进行异常识别.异常检测数据的识别主要基于机器学习中AdaBoost方法实现.在算法的训练过程中,为消除单一检测源数据的离群现象,训练数据选取同一路段上多种检测源提供的数据集.在算法的决策过程中,通过代价敏感方法的优势来改进AdaBoost的决策.实验结果表明:基于非均衡特性改进的AdaBoost模型迫使分类器更加关注了待识别的异常样本,增强了AdaBoost决策过程中训练决策树规则的代表性,提高了异常类样本的分类准确率.高速公路实例检测数据集验证了改进算法与相关经典算法的检测准确度、误检率、误警率等指标,其中改进模型与原模型相比,准确率提高了5.547%,误检率减低了6.792%.多种算法的ROC曲线对比表明改进的AdaBoost方法筛选交通检测样本的可靠度更高,可有效调整由非平衡数据导致的分类误差.